【技术实现步骤摘要】
本申请涉及深度学习，特别是涉及一种面向工件无序抓取的点云实例分割方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
技术介绍
1、工业机器人作为工业自动化与智能化变革的重要发展方向，目前已经在工件拾取与装配等领域起到了一定作用，将工人从枯燥繁重的工作中解放出来，提升了企业竞争力。虽然工业机器人目前已经得到了广泛应用，但在工件无序抓取场景中，堆叠工件相互遮挡存在干涉，工件的特征不完整，且不同工件的姿态差异较大，对视觉系统的识别和定位能力具有挑战。
2、传统技术中，通过在3d-bonet点云实例分割网络中使用pointnet或pointnet++作为点云特征提取器来对点云数据进行特征提取。然而，由于pointnet网络和pointnet++网络不能有效学习到局部几何特征，对稀疏场景或大规模点云的适应性以及对小目标的精度都较差，导致用该网络对工件进行三维实例分割时存在效果不佳的问题。
技术实现思路
1、基于此，有必要针对上述技术问题，提供一种面向工件无序抓取的点云实例分割方...
【技术保护点】
1.一种面向工件无序抓取的点云实例分割方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述对所述初步训练的深度学习模型的神经网络架构进行改进，得到包括特征提取骨干网络、边界框预测分支和点掩码预测分支的当前深度学习模型，包括：
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
4.根据权利要求2所述的方法，其特征在于，所述由所述点掩码预测分支将所述特征提取骨干网络获取的点特征与所述置信度分数进行融合，包括：
5.根据权利要求1所述的方法，其特征在于，所述利用所述训练集和所述验证集对初始...
【技术特征摘要】
1.一种面向工件无序抓取的点云实例分割方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述对所述初步训练的深度学习模型的神经网络架构进行改进，得到包括特征提取骨干网络、边界框预测分支和点掩码预测分支的当前深度学习模型，包括：
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
4.根据权利要求2所述的方法，其特征在于，所述由所述点掩码预测分支将所述特征提取骨干网络获取的点特征与所述置信度分数进行融合，包括：
5.根据权利要求1所述的方法，其特征在于，所述利用所述训练集和所述验证集对初始的深度学习模型进行训练和更新，得到初步训练的深度学习模型...
【专利技术属性】
技术研发人员：刘福，崔斌，宁兴良，王大龙，
申请(专利权)人：国能朔黄铁路发展有限责任公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。